CN111399477A - 基于参数分离的Wiener非线性系统辨识方法 - Google Patents
基于参数分离的Wiener非线性系统辨识方法 Download PDFInfo
- Publication number
- CN111399477A CN111399477A CN202010198548.7A CN202010198548A CN111399477A CN 111399477 A CN111399477 A CN 111399477A CN 202010198548 A CN202010198548 A CN 202010198548A CN 111399477 A CN111399477 A CN 111399477A
- Authority
- CN
- China
- Prior art keywords
- output
- wiener
- model
- wiener nonlinear
- nonlinear system
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于参数分离的Wiener非线性系统辨识方法,包括以下步骤:A、将待识别的火电厂控制系统转化为Wiener非线性系统,将待识别的火电厂控制系统的输入量进行合并;B、对Wiener非线性系统进行分析,包括系统线性动态部分结构、系统非线性静态部分结构、动态干扰类型、测量噪声;确定na、nb和nc,设定初始值,重复收集输入数据u(k)和y(k),直至k≥na+n,k≥nb+n;C、将Wiener非线性系统时不变参数和时变参数分离;D、对Wiener非线性系统进行辨识;E、当辨识得到的模型不满足要求时,返回步骤A,重新调整模型结构和初始值,重新辨识,直到得到满足要求的系统模型。本发明能够改进现有技术的不足,提高了对于Wiener非线性系统辨识的精度和收敛速度。
Description
技术领域
本发明涉及工业控制技术领域,尤其是一种基于参数分离的Wiener非线性系统辨识方法。
背景技术
系统辨识技术是控制领域的一大分支,其目的是利用系统的输入输出数据,辨识出系统参数模型,为系统优化、系统控制等奠定基础。系统模型一般分为线性模型和非线性模型,其中非线性模型是广泛存在,针对非线性模型的辨识问题得到广大工程技术人员和学者的关注。Wiener非线性系统是最为典型的非线性系统,其结构是线性动态部分和非线性静态部分进行串联组成的。因此,Wiener非线性系统属于动态系统范畴。Wiener非线性系统能够描述大部分工业系统,在实际工业系统中还存在各种噪声的干扰。在工业系统中,由于各种原因存在着动态干扰噪声,动态干扰噪声对于系统辨识算法的的效果有很大影响,严重的会导致无法辨识出系统模型。因此,系统辨识过程中,需要将系统参数和动态干扰同时辨识出来。
近些年来,系统辨识技术得到了快速发展,常用的辨识方法有极大似然、梯度下降、最小二乘、人工智能方法等,但是针对动态扰动条件下的非线性系统辨识的研究在国内外文献和专利中很少提及。学者F.Ding,X.Liu,M.Liu等在文献“The recursive leastsquares identification algorithm for a class of Wiener nonlinear systems”,(简译:针对一类维纳非线性系统的递推最小二乘辨识算法,发表在国际期刊Journal of theFranklin Institute.353(7)(2016)1518-1526)中构造了多项式形式的Wiener非线性系统模型,构造辅助模型对中间未知变量进行估计,将系统模型推导成系统输出等于无噪声输出与测量噪声之和的形式,最后利用递推最小二乘算法对系统参数进行辨识。但是该方法不适用于存在动态扰动的情况,动态扰动会叠加到系统输出上,降低系统辨识方法的辨识精度,甚至于无法辨识出真实参数,降低了该方法的适用性。学者D.Wang,F.Ding等在文献“Least squares based and gradient based iterative identification for Wienernonlinear systems”,(简译:最小二乘和梯度迭代算法在维纳非线性系统辨识中的应用,发表在国际期刊Signal Processing.91(5)(2011)1182-1189)中针对Wiener非线性系统提出了两种方法:最下二乘迭代方法和梯度迭代方法,能够同时利用所有输入输出数据,该方法在只有测量噪声的条件下,具有良好的辨识效果,但是在存在动态干扰的条件下,其辨识的精度将有所下降。再有该方法属于离线方法,每次迭代利用全部输入输出数据,计算量大,无法在线应用。
发明内容
本发明要解决的技术问题是提供一种基于参数分离的Wiener非线性系统辨识方法,能够解决现有技术的不足,提高了对于Wiener非线性系统辨识的精度和收敛速度。
为解决上述技术问题,本发明所采取的技术方案如下。
一种基于参数分离的Wiener非线性系统辨识方法,包括以下步骤:
A、将待识别的火电厂控制系统转化为Wiener非线性系统,将待识别的火电厂控制系统的输入量进行合并;
C、将Wiener非线性系统时不变参数和时变参数分离;
D、对Wiener非线性系统进行辨识;
E、当辨识得到的模型不满足要求时,返回步骤A,重新调整模型结构和初始值,重新辨识,直到得到满足要求的系统模型。
作为优选,步骤A中,对输入量进行合并包括以下步骤,
A1、根据输入量对于系统扰动的关联度对所有输入量进行降序排列;
A2、选取关联度最高的输入量为参考输入量,提取其它输入量中与参考输入量线性相关的特征分量;
A3、使用参考输入量与特征分量组成若干个输入量序列,每个输入量序列中参考输入量与特征分量的分布状态不同;
A4、对每个输入量序列中的特征分量进行权重赋值。
作为优选,步骤B中,离散时间域的Wiener非线性模型如下,
其中,u(k)表示系统输入,D(q-1)表示线性动态部分函数,x(k)表示线性动态部分输出,S(x(k))表示非线性静态部分函数,w(k)表示系统的无噪声输出,表示动态扰动,v(k)表示系统测量噪声,类型是白噪声,y(k)表示系统输出;
系统线性动态部分为输出误差模型,
na和nb为整数表示线性环节阶次,q表示移位因子,即q-nu(k)=u(k-n),系统非线性静态部分为一系列基本函数的组合,
Wiener非线性系统模型的参数向量和信息向量如下,
其中,nd=na+nb,ns=na+nb+nc;
线性动态部分输出、系统的无噪声输出和系统输出分别表示为,
作为优选,步骤C中,将带扰动的Wiener非线性系统模型分离成无噪声Wiener非线性系统子模型和动态扰动子模型为,
y1(k)=w(k)
系统输出表示为,
y(k)=y1(k)+y2(k)+v(k),
作为优选,步骤D中,预测误差向量为,
其中,n表示多新息长度;
信息矩阵、测量噪声向量、动态扰动向量和系统输出向量为,
无噪声Wiener非线性系统子模型输出向量、动态扰动子模型输出向量和系统输出向量表示为,
Y1(n,k)=Φ(n,k)Tθs(k)
Y(n,k)=Y1(n,k)+Y2(n,k)+V(n,k)
更新损失函数,
信息向量中存在未知变量x(k),利用辅助模型输出代替未知变量,
采用上述技术方案所带来的有益效果在于:本发明通过优化模型结构,并对不同参数进行分离处理,可以保持动态干扰和测量噪声的结构不变,而无噪声输出项可以根据参数估计值进行估计,简化了辨识问题,提高系统参数辨识的精度和收敛速度。通过对输入量进行合并操作,可以有效减少输入量的波动导致输出量的不稳定,降低模型运算量。
附图说明
图1是Wiener非线性系统系统原理图。
图2是Wiener非线性系统系统辅助模型原理图。
图3是本发明辨识方法的流程图。
图4是本发明系统输入信号图。
图5是本发明扰动信号图。
图6是本发明输出信号图。
图7是本发明与辅助模型最小二乘方法对第一个参数的辨识效果对比图。
图8是本发明与辅助模型最小二乘方法对第二个参数的辨识效果对比图。
图9是本发明与辅助模型最小二乘方法对第三个参数的辨识效果对比图。
图10是本发明与辅助模型最小二乘方法对第四个参数的辨识效果对比图。
图11是本发明与辅助模型最小二乘方法对第五个参数的辨识效果对比图。
图12是本发明与辅助模型最小二乘方法对第六个参数的辨识效果对比图。
图中,u(k)表示系统输入,D(q-1)表示线性动态部分函数,x(k)表示线性动态部分输出,S(x(k))表示非线性静态部分函数,w(k)表示系统的无噪声输出,表示动态扰动,v(k)表示系统测量噪声,类型是白噪声,y(k)表示系统输出,为D(q-1)的辅助模型,为辅助模型输出,代替未知变量x(k)。
具体实施方式
参照图1-3,本发明一个具体实施方式包括以下步骤:
A、将待识别的火电厂控制系统转化为Wiener非线性系统,将待识别的火电厂控制系统的输入量进行合并;
C、将Wiener非线性系统时不变参数和时变参数分离;
D、对Wiener非线性系统进行辨识;
E、当辨识得到的模型不满足要求时,返回步骤A,重新调整模型结构和初始值,重新辨识,直到得到满足要求的系统模型。
步骤A中,对输入量进行合并包括以下步骤,
A1、根据输入量对于系统扰动的关联度对所有输入量进行降序排列;
A2、选取关联度最高的输入量为参考输入量,提取其它输入量中与参考输入量线性相关的特征分量;
A3、使用参考输入量与特征分量组成若干个输入量序列,每个输入量序列中参考输入量与特征分量的分布状态不同;
A4、对每个输入量序列中的特征分量进行权重赋值。
步骤B中,离散时间域的Wiener非线性模型如下,
其中,u(k)表示系统输入,D(q-1)表示线性动态部分函数,x(k)表示线性动态部分输出,S(x(k))表示非线性静态部分函数,w(k)表示系统的无噪声输出,表示动态扰动,v(k)表示系统测量噪声,类型是白噪声,y(k)表示系统输出;
系统线性动态部分为输出误差模型,
na和nb为整数表示线性环节阶次,q表示移位因子,即q-nu(k)=u(k-n),系统非线性静态部分为一系列基本函数的组合,
Wiener非线性系统模型的参数向量和信息向量如下,
其中,nd=na+nb,ns=na+nb+nc;
线性动态部分输出、系统的无噪声输出和系统输出分别表示为,
步骤C中,将带扰动的Wiener非线性系统模型分离成无噪声Wiener非线性系统子模型和动态扰动子模型为,
y1(k)=w(k)
系统输出表示为,
y(k)=y1(k)+y2(k)+v(k),
步骤D中,预测误差向量为,
其中,n表示多新息长度;
信息矩阵、测量噪声向量、动态扰动向量和系统输出向量为,
无噪声Wiener非线性系统子模型输出向量、动态扰动子模型输出向量和系统输出向量表示为,
Y1(n,k)=Φ(n,k)Tθs(k)
Y(n,k)=Y1(n,k)+Y2(n,k)+V(n,k)
更新损失函数,
信息向量中存在未知变量x(k),利用辅助模型输出代替未知变量,
对燕郊三河电厂三期350兆瓦发电机组的控制系统进行辨识,系统模型如下:
其中,待辨识参数为A=[-0.82,0.52],B=[-0.45,0.19],C=[0.33,0.65],输入信号u(k)采用均值0方差为1的随机信号如图4所示;扰动信号如图5所示;输出信号y(k)如图6所示。模型初始值为
n=9,δ1(0)=1,δ2(0)=1,N=5000。参照图7-12,本发明提出的方法和Ding F,Liu X,Liu M等学者在文献“Ding F,Liu X,Liu M.The recursive leastsquares identification algorithm for a class of Wiener nonlinear systems[J].Journal of the Franklin Institute,2016,353(7):1518-1526.”中提到的方法对系统模型进行辨识,证明了本发明方法的有效性。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (5)
1.一种基于参数分离的Wiener非线性系统辨识方法,其特征在于包括以下步骤:
A、将待识别的火电厂控制系统转化为Wiener非线性系统,将待识别的火电厂控制系统的输入量进行合并;
B、对Wiener非线性系统进行分析,包括系统线性动态部分结构、系统非线性静态部分结构、动态干扰类型、测量噪声;确定na、nb和nc,设定初始值 n=5、δ1(0)=1、δ2(0)=1、k=1,重复收集输入数据u(k)和y(k),直至k≥na+n,k≥nb+n
C、将Wiener非线性系统时不变参数和时变参数分离;
D、对Wiener非线性系统进行辨识;
E、当辨识得到的模型不满足要求时,返回步骤A,重新调整模型结构和初始值,重新辨识,直到得到满足要求的系统模型。
2.根据权利要求1所述的基于参数分离的Wiener非线性系统辨识方法,其特征在于:步骤A中,对输入量进行合并包括以下步骤,
A1、根据输入量对于系统扰动的关联度对所有输入量进行降序排列;
A2、选取关联度最高的输入量为参考输入量,提取其它输入量中与参考输入量线性相关的特征分量;
A3、使用参考输入量与特征分量组成若干个输入量序列,每个输入量序列中参考输入量与特征分量的分布状态不同;
A4、对每个输入量序列中的特征分量进行权重赋值。
3.根据权利要求2所述的基于参数分离的Wiener非线性系统辨识方法,其特征在于:步骤B中,离散时间域的Wiener非线性模型如下,
其中,u(k)表示系统输入,D(q-1)表示线性动态部分函数,x(k)表示线性动态部分输出,S(x(k))表示非线性静态部分函数,w(k)表示系统的无噪声输出,表示动态扰动,v(k)表示系统测量噪声,类型是白噪声,y(k)表示系统输出;
系统线性动态部分为输出误差模型,
na和nb为整数表示线性环节阶次,q表示移位因子,即q-nu(k)=u(k-n),系统非线性静态部分为一系列基本函数的组合,
Wiener非线性系统模型的参数向量和信息向量如下,
其中,nd=na+nb,ns=na+nb+nc;
线性动态部分输出、系统的无噪声输出和系统输出分别表示为,
5.根据权利要求4所述的基于参数分离的Wiener非线性系统辨识方法,其特征在于:步骤D中,预测误差向量为,
其中,n表示多新息长度;
信息矩阵、测量噪声向量、动态扰动向量和系统输出向量为,
无噪声Wiener非线性系统子模型输出向量、动态扰动子模型输出向量和系统输出向量表示为,
Y1(n,k)=Φ(n,k)Tθs(k)
Y(n,k)=Y1(n,k)+Y2(n,k)+V(n,k)
更新损失函数,
信息向量中存在未知变量x(k),利用辅助模型输出代替未知变量,
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010198548.7A CN111399477B (zh) | 2020-03-20 | 2020-03-20 | 基于参数分离的Wiener非线性系统辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010198548.7A CN111399477B (zh) | 2020-03-20 | 2020-03-20 | 基于参数分离的Wiener非线性系统辨识方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111399477A true CN111399477A (zh) | 2020-07-10 |
CN111399477B CN111399477B (zh) | 2021-05-04 |
Family
ID=71434349
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010198548.7A Active CN111399477B (zh) | 2020-03-20 | 2020-03-20 | 基于参数分离的Wiener非线性系统辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111399477B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111930014A (zh) * | 2020-08-13 | 2020-11-13 | 重庆邮电大学 | 动静态数据混合驱动的Hammerstein非线性工业系统简约灰箱子空间辨识方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001113588A (ja) * | 1999-10-22 | 2001-04-24 | Ikegai Corp | 成形機の温度制御装置及びその温度制御装置に用いる制御系の設計方法 |
US20040197793A1 (en) * | 2002-08-30 | 2004-10-07 | Arjang Hassibi | Methods and apparatus for biomolecule detection, identification, quantification and/or sequencing |
CN1831556A (zh) * | 2006-04-14 | 2006-09-13 | 武汉大学 | 单幅卫星遥感影像小目标超分辨率重建方法 |
CA2650482A1 (en) * | 2006-04-27 | 2008-05-02 | Bioarray Solutions Ltd. | A transfusion registry and exchange network |
CN103065192A (zh) * | 2012-12-20 | 2013-04-24 | 华南理工大学 | 一种基于确定学习理论的海量时态数据建模方法 |
CN103344740A (zh) * | 2013-07-08 | 2013-10-09 | 江南大学 | 基于多输入维纳模型的谷氨酸产物浓度在线软测量方法 |
CN103532459A (zh) * | 2013-10-15 | 2014-01-22 | 东南大学 | 一种数控机床驱动用直线伺服电机控制方法 |
CN106227964A (zh) * | 2016-07-28 | 2016-12-14 | 华侨大学 | 基于扩张状态观测器的迟滞非线性系统参数辨识方法 |
CN106557627A (zh) * | 2016-11-18 | 2017-04-05 | 南通大学 | 基于状态空间维纳模型的递推参数估计方法 |
CN106992551A (zh) * | 2017-06-05 | 2017-07-28 | 合肥工业大学 | 基于模糊c均值和差分进化混合算法的光伏逆变控制器参数辨识方法 |
-
2020
- 2020-03-20 CN CN202010198548.7A patent/CN111399477B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001113588A (ja) * | 1999-10-22 | 2001-04-24 | Ikegai Corp | 成形機の温度制御装置及びその温度制御装置に用いる制御系の設計方法 |
US20040197793A1 (en) * | 2002-08-30 | 2004-10-07 | Arjang Hassibi | Methods and apparatus for biomolecule detection, identification, quantification and/or sequencing |
CN1831556A (zh) * | 2006-04-14 | 2006-09-13 | 武汉大学 | 单幅卫星遥感影像小目标超分辨率重建方法 |
CA2650482A1 (en) * | 2006-04-27 | 2008-05-02 | Bioarray Solutions Ltd. | A transfusion registry and exchange network |
CN103065192A (zh) * | 2012-12-20 | 2013-04-24 | 华南理工大学 | 一种基于确定学习理论的海量时态数据建模方法 |
CN103344740A (zh) * | 2013-07-08 | 2013-10-09 | 江南大学 | 基于多输入维纳模型的谷氨酸产物浓度在线软测量方法 |
CN103532459A (zh) * | 2013-10-15 | 2014-01-22 | 东南大学 | 一种数控机床驱动用直线伺服电机控制方法 |
CN106227964A (zh) * | 2016-07-28 | 2016-12-14 | 华侨大学 | 基于扩张状态观测器的迟滞非线性系统参数辨识方法 |
CN106557627A (zh) * | 2016-11-18 | 2017-04-05 | 南通大学 | 基于状态空间维纳模型的递推参数估计方法 |
CN106992551A (zh) * | 2017-06-05 | 2017-07-28 | 合肥工业大学 | 基于模糊c均值和差分进化混合算法的光伏逆变控制器参数辨识方法 |
Non-Patent Citations (4)
Title |
---|
ER-WEI BAI: "An Optimal Two-Stage IdentiÞcation Algorithm for HammersteinÐWiener Nonlinear Systems", <BRIEF PAPER> * |
周林成: "Wiener非线性系统参数辨识方法研究", 《中国博士学位论文全文数据库》 * |
景绍学 等: "一类广义Wiener非线性系统的参数辨识算法", 《软件工程》 * |
胡德文 等: "非线性系统Wiener 模型辨识", 《自动化学报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111930014A (zh) * | 2020-08-13 | 2020-11-13 | 重庆邮电大学 | 动静态数据混合驱动的Hammerstein非线性工业系统简约灰箱子空间辨识方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111399477B (zh) | 2021-05-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111427266B (zh) | 一种针对带扰动的非线性系统辨识方法 | |
CN109766950B (zh) | 一种基于形态聚类和LightGBM的工业用户短期负荷预测方法 | |
CN110069467A (zh) | 基于皮尔逊系数与MapReduce并行计算的电网尖峰负荷聚类提取法 | |
CN114399251B (zh) | 基于语义网和簇偏好的冷链物流推荐方法及装置 | |
CN111681132B (zh) | 适用于海量类别不平衡负荷数据的典型用电模式提取方法 | |
CN113159892B (zh) | 一种基于多模态商品特征融合的商品推荐方法 | |
CN110490369A (zh) | 一种基于ewt和lssvm模型的短期电力负荷预测方法 | |
CN111399477B (zh) | 基于参数分离的Wiener非线性系统辨识方法 | |
CN113489014A (zh) | 一种快速灵活全纯嵌入式电力系统最优潮流评估方法 | |
CN108228978B (zh) | 结合互补集合经验模态分解的Xgboost时间序列预测方法 | |
CN112965968B (zh) | 一种基于注意力机制的异构数据模式匹配方法 | |
CN108846692B (zh) | 一种基于多因素循环神经网络的消费者消费行为预测方法 | |
RHEE | Forensic Decision of Median Filtering by Pixel Value's Gradients of Digital Image | |
CN117458489B (zh) | 一种电价和多维时序变量的EMD-Bi-LSTM短期预测方法 | |
CN113177599A (zh) | 一种基于gan的强化样本生成方法 | |
Kavli et al. | On ASMOD—An algorithm for empirical modelling using spline functions | |
Liu et al. | Fuzzy Controller Design for Discrete-time TS Fuzzy Systems with Partially Unknown Membership Functions | |
CN104834822A (zh) | 一种基于文化基因算法的传递函数辨识方法 | |
Hachino et al. | Structure selection and identification of Hammerstein type nonlinear systems using automatic choosing function model and genetic algorithm | |
Dong et al. | Recursive identification of Hammerstein systems with dead-zone input nonlinearity | |
Lo et al. | Existence and uniqueness of risk-sensitive estimates | |
Mohammed et al. | A New Support Value Method Filtering Based on Object Support Partition for Soft Reduction | |
Benamor et al. | New Approach for Estimating the Input Fault Based on the Sliding Window Identification Technique of the SISO ARX-Laguerre Multimodel | |
Biswas | GA Based FGP Model for Power Loss Minimization and Voltage Stability Improvement in Electrical Power Systems | |
Hao et al. | Power Load Data Preprocessing Based on PFCM Algorithm and Neural Network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |